특발성전신뇌전증에서 휴지기 상태 뇌파 기능적 연결성 변화 : 그래프이론 분석과 기계학습 적용
Resting-state EEG functional connectivity changes in idiopathic generalized epilepsy: graph theory analysis and machine learning
- 주제(키워드) electroencephalography , functional connectivity , idiopathic generalized epilepsy , graph theory , machine learning
- 발행기관 고려대학교 대학원
- 지도교수 김지현
- 발행년도 2019
- 학위수여년월 2019. 8
- 유형 Text
- 학위구분 박사
- 학과 대학원 의학과
- 세부전공 신경과학 전공
- 원문페이지 73 p
- 실제URI http://www.dcollection.net/handler/korea/000000084891
- UCI I804:11009-000000084891
- DOI 10.23186/korea.000000084891.11009.0000936
- 본문언어 영어
- 제출원본 000046011266
초록/요약
Background: Aberrant thalamocortical network has been hypothesized to play a crucial role in the fundamental pathogenesis underlying idiopathic generalized epilepsy (IGE). Changes of functional network property from interictal/preictal to ictal periods were reported in IGE, which could provide a hint to understand pathophysiological mechanisms underlying ictogenesis in IGE. However, to the best of our knowledge, there are only few studies investigating differences in the property of resting-state EEG functional connectivity between IGE and controls. We aimed to compare properties of baseline resting-state networks between IGE and control subjects using graph theoretical analysis of EEG. Methods: A total of 156 IGE patients and 65 controls were initially included in this study. Routine waking and sleep EEG recordings were recorded for approximately 40 minutes at a sampling rate of 200 Hz. Two epilepsy specialists visually inspected whole EEG recordings and selected 10 series of 2 seconds epochs of resting-state while patients closed their eyes that were free of artifacts. The properties of resting-state networks were evaluated by coherence. Coherence values of all electrode pairs were then calculated for delta, theta, alpha, beta, and gamma bands. Graph theoretical analyses were applied, and graph measures were calculated including average degree of node, characteristic path length, global efficiency, local efficiency, clustering coefficient, modularity, and assortativity. Between-group comparisons of the graph theoretical measures representing network properties were performed: (1) overall IGE vs. control, (2) drug-naïve IGE vs. control, (3) 1-year follow-up IGE vs. control, and (4) drug-naïve period vs. 1-year follow-up period of IGE. Using the graph theoretical measures that have been found to be different between controls and drug-naïve IGE patients, machine learning algorithms were applied to investigate the accuracy of classification. Results: Average degree, global efficiency, local efficiency, and clustering coefficient have been found to be lower in drug-naïve IGE patients than in controls (all p < 0.05). Characteristic path length and modularity were found to be higher in drug-naïve IGE patients than in controls (both p < 0.05). Differences in the graph measures between IGE patients and controls were reduced in 1-year follow-up period relative to drug-naïve period. Machine learning algorithms using the graph measures with differences between controls and drug-naïve IGE patients showed a relatively high accuracy of 80.6% for distinguishing IGE from control. Conclusions: Our findings indicate that IGE is associated with altered global network towards inefficient topology even in drug-naïve status. We also found that treatment with antiepileptic drugs could reverse the altered network topology. Our findings suggest that alterations towards inefficient network might be implicated in the pathophysiological mechanisms underlying epileptogenesis of IGE. Machine learning algorithms using the graph measures reflecting distinct network topology in IGE might be considered as a supportive tool for IGE diagnosis.
more초록/요약
배경: 시상—피질 네트워크의 변화는 특발성전신뇌전증(idiopathic generalized epilepsy, IGE)의 근본적인 병인에 중요한 역할을 한다고 알려져 왔다. 특발성전신뇌전증 환자에서 발작간(interictal)/발작전(preictal) 기간에서 발작(ictal)기까지의 기능적 네트워크 특성의 동적인 변화가 있다는 점이 보고되어, 특발성전신뇌전증에서 발작발생(ictogenesis)의 병태생리학적 기전을 이해할 수 있는 단서를 제공해 주었다. 그러나 특발성전신뇌전증 환자와 정상대조군 사이의 휴지기 상태 뇌파 기능적 연결성의 차이점을 조사한 연구는 거의 없었다. 본 연구에서는 뇌파의 그래프이론 분석을 이용하여 특발성전신뇌전증 환자와 정상대조군 사이의 기저 휴지기 상태 네트워크의 특성을 비교하고자 하였다. 방법: 총 156명의 특발성전신뇌전증 환자와 65명의 정상대조군이 본 연구에 초기 등록되었다. 정규 각성—수면 뇌파는 200Hz의 표본추출 속도로 약 40분 동안 기록되었다. 두 명의 뇌전증 전문의가 육안으로 기록된 전체 뇌파자료를 판독하여, 피검자가 눈을 감고 있는 동안 움직임이 없고 경련파(epileptiform discharge)나 잡파(artifact)가 없는 휴지기 상태 뇌파를 연속적이지 않은 2초 단위로 10개 선택하였다. 휴지기 상태 네트워크의 특성은 간섭성(coherence)으로 정량 평가되었다. 측정된 뇌파전극 쌍의 간섭성 값을 델타, 세타, 알파, 베타, 감마 주파수 대역별로 나누어 계산했다. 그래프이론 분석을 적용하여 평균 노드 수(average degree of node), 경로 길이(characteristic path length), 전반적 효율성(global efficiency), 국소적 효율성(local efficiency), 군집화 계수(clustering coefficient), 모듈성(modularity), 조합성(assortativity)을 포함한 그래프이론 지표 값들을 도출했다. 네트워크 특성을 반영해주는 그래프이론 지표 값들의 군 간 비교는 다음과 같이 수행되었다: (1) 전체 특발성전신뇌전증 환자군 vs. 정상대조군, (2) 약물복용력 없은 특발성전신뇌전증 환자군 vs. 정상대조군, (3) 1년간 약물치료 후 특발성전신뇌전증 환자군 vs. 정상대조군, (4) 년간 약물치료 후 특발성전신뇌전증 환자군 vs. 약물복용력 없은 특발성전신뇌전증 환자군. 정상대조군과 약물복용력 없는 특발성전신뇌전증 환자군 사이에서 차이를 보인 그래프이론 지표들이 두 군을 감별해줄 수 있을지 기계학습 알고리즘을 적용하여 분류 정확도를 조사하였다. 결과: 평균 노드 수, 전반적 효율성, 국소적 효율성, 군집화 계수는 정상대조군에 비해 약물복용력 없는 특발성전신뇌전증 환자군에서 낮았다(p < 0.05). 경로 길이와 모듈성은 약물복용력 없는 특발성전신뇌전증 환자군에서 정상대조군에 비해 높았다(p < 0.05). 특발성전신뇌전증 환자와 정상대조군 간의 그래프이론 지표 값의 차이 정도는 1년간 약물치료 후 추적기간 동안 감소했다. 정상대조군과 약물복용력 없는 특발성전신뇌전증 환자 간 차이를 보인 그래프이론 지표들을 이용한 기계학습 알고리즘은 정상대조군과 특발성전신뇌전증을 80.6%의 비교적 높은 정확도로 감별해주었다. 결론: 본 연구결과는 약물복용력이 없어 약물의 영향이 배제된 특발성전신뇌전증에서도 비효율적인 네트워크의 특성을 갖는다는 점을 보여준다. 또한, 본 연구는 특발성전신뇌전증에서 변화된 네트워크 특성이 항경련제 치료를 통해 가역적으로 정상과 유사한 특성으로 변화될 수 있음을 관찰하였다. 이러한 연구 결과는 비효율적인 네트워크로의 변화된 특성이 특발성전신뇌전증 발병의 기본적인 병태생리학적 기전(epileptogenesis)과 관련이 있음을 시사한다. 정상대조군과 차이를 보이는 특발성전신뇌전증 환자의 특징적인 그래프이론 지표들을 이용한 기계학습 알고리즘은 높은 정확도를 보여 특발성전신뇌전증 진단을 위한 보조적인 도구로 활용을 고려해볼 수 있을 것이다.
more목차
1. Introduction ....................................................................................... 1
2. Methods ....................................................................................... 5
2.1. Subjects ....................................................................................... 5
2.2. EEG recording and epoch selection ....................................................................................... 6
2.3. Coherence analysis ....................................................................................... 8
2.4. Graph theoretical analysis ....................................................................................... 9
2.5. Machine learning ....................................................................................... 14
2.6. Statistical analysis ....................................................................................... 17
3. Results ....................................................................................... 18
3.1. Demographics and epilepsy-specific characteristics ....................................................................................... 18
3.2. Comparisons of resting-state network between overall IGE (n = 146) and control (n = 65) ....................................................................................... 19
3.3. Comparison of resting-state network between drug-naïve IGE (n = 28) and control (n = 65) ....................................................................................... 20
3.4. Comparison of resting-state network between drug-naïve period and 1-year follow-up period in patients with IGE (n = 28) ....................................................................................... 22
3.5. Machine learning algorithms ....................................................................................... 25
4. Discussion ....................................................................................... 27
References ....................................................................................... 34
